本文提出了一种基于关注机制的快速稳定 Granular ball 生成方法，并在此基础上开发了 GB$k$NN++，它可将误分类降至一定程度，实验证明此方法在 20 个公共基准数据集上的性能优于现有 GB 基分类器和经典机器学习分类器。

May, 2023

本文系统介绍了球状颗粒计算模型，分析了目前该模型面临的主要问题，并讨论了球状颗粒计算的主要适用场景，为未来研究者提供参考和建议。

Apr, 2023

本研究介绍了一种利用可证明粒度原理为质量评估的数据聚类方法，并采用二叉树修剪策略和异常检测方法确定每个 GB 的最佳子 GB 组合和识别异常 GB，从而最大化生成的 GB 质量并提高聚类准确性和归一化互信息。

May, 2024

本研究提出了一种新的多粒度优化算法，即颗粒球优化算法（GBO），通过引入颗粒球计算。GBO 采用很多粒度球来覆盖解决方案空间，并使用许多小而精细的粒度球来描述重要部分，以及少量大而粗粒度的粒度球来描述不相关部分，这种细粒度多粒度数据描述能力使其具有更强的全局搜索能力和更快的收敛速度，在比较 20 个基准函数的实验中，其性能更好，更快，更能逼近最优解，没有超参数，设计更简单，成为大多数现有智能优化算法的全面替代品。

Mar, 2023

提出一种聚类算法，将多粒度的 Granular-Ball 和最小生成树 (MST) 相结合，基于 “大规模优先” 实现聚类方法，避免离群点影响，并加速 MST 的构建过程。实验结果表明算法的有效性。

Mar, 2023

本文首创了一个采用多粒度过滤标签噪声样本的颗粒球神经网络算法模型，解决了深度学习领域中标签噪声导致模型不稳定的问题，大大降低了训练样本中标签噪声的比例，提高了神经网络模型的鲁棒性。

Jul, 2022

引入粒球计算到模糊集中，提出了一种称为粒球模糊集的框架，它比传统的模糊方法更高效、更稳健、更具扩展性，可以用于各种模糊数据处理领域，扩展到分类器支持向量机（FSVM）中以得到粒球模糊支持向量机（GBFSVM），实验证明了 GBFSVM 的有效性和效率。

Oct, 2022

本文提出了一种基于密度的聚类算法 —— 基于粒子融合的密度聚类算法（GFDC），它结合了稀疏程度、信息颗粒、粒子融合策略和 Dempster-Shafer 理论，能够准确测量局部和全局密度，处理密度差异较大的数据，探测任意形状的聚类结构并识别异常值，实验证明其有效性。

May, 2023

本研究修复了 GBSVM 原模型存在的问题，推导了其对偶模型，并设计了基于粒子群优化算法的算法来解决其模型，实验结果表明 GBSVM 具有良好的鲁棒性和效率。

Oct, 2022

提出了一种结合普适引力算法的数据驱动巴格曼散度参数优化聚类算法（DBGSA），通过构建具有特殊属性的引力系数方程，逐渐减少迭代过程中的影响因子，并引入巴格曼散度广义幂均值信息损失最小化来识别聚类中心和构建超参数识别优化模型，有效解决了改进数据集中手动调整和不确定性的问题。对四个模拟数据集和六个真实数据集进行了广泛实验，结果表明 DBGSA 相对于其他类似方法如改进聚类算法和改进数据集，平均提高了 63.8％的各种聚类算法的准确性。此外，建立了一个三维网格搜索来比较阈值条件下不同参数值的效果，并发现我们模型提供的参数集是最优的，这一发现为算法的高准确性和强韧性提供了有力的证据。

Jul, 2023